Abstract Coal is the backbone of the steel industry because of its manifold use in coke making, pulverised coal injection and electricity generation. Coal behaviour is a factor of its phase fractions (organic and inorganic) along with its maturity level. Coal petrography is an important tool for maceral determination and rank measurement based on its optical properties. Manual calculation of phase fractions is time-consuming and depends on operator's expertise and efficiency. To add value to plant operations, a faster, accurate and repetitive data is required. As a result, an attempt has been made to develop a machine learning based method for the automatic calculation of different phases present in coal. A random forest based model is developed to classify different phases of coal macerals (organic constituents) and minerals (inorganic constituents). The efficacy of the proposal is improved after introducing a hierarchical classification approach wherein random forest based classifier is used to segment macerals ignoring background. Features related to micro-structures of the coal microscopic images are extracted and utilized in random forest based classification. Methodology developed provides a better and quick alternative for manual petrographic analysis. A comparative analysis suggest that the final output shows better than 90% classification accuracy compared to ground truth. Its industrial application will save time, money and labour with the increase in efficiency level.

中文翻译：

---

使用随机森林的自动化煤岩学

摘要 煤炭广泛用于炼焦、喷煤和发电，是钢铁工业的支柱。煤的行为是其相分数（有机和无机）及其成熟度的一个因素。煤岩相学是基于其光学特性进行煤质测定和等级测量的重要工具。手动计算相分数非常耗时，并且取决于操作员的专业知识和效率。为了增加工厂运营的价值，需要更快、准确和重复的数据。因此，已经尝试开发一种基于机器学习的方法来自动计算煤中存在的不同相。开发了一种基于随机森林的模型来对煤质（有机成分）和矿物（无机成分）的不同阶段进行分类。在引入分层分类方法后，该提议的有效性得到提高，其中基于随机森林的分类器用于忽略背景来分割 macerals。提取与煤显微图像微观结构相关的特征并将其用于基于随机森林的分类。开发的方法为手动岩相分析提供了更好、更快速的替代方案。比较分析表明，与地面实况相比，最终输出显示出优于 90% 的分类准确度。它的工业应用将随着效率水平的提高而节省时间、金钱和劳动力。在引入分层分类方法后，该提议的有效性得到提高，其中基于随机森林的分类器用于忽略背景来分割 macerals。提取与煤显微图像微观结构相关的特征并将其用于基于随机森林的分类。开发的方法为手动岩相分析提供了更好、更快速的替代方案。比较分析表明，与地面实况相比，最终输出显示出优于 90% 的分类准确度。它的工业应用将随着效率水平的提高而节省时间、金钱和劳动力。在引入分层分类方法后，该提议的有效性得到提高，其中基于随机森林的分类器用于忽略背景来分割 macerals。提取与煤显微图像微观结构相关的特征并将其用于基于随机森林的分类。开发的方法为手动岩相分析提供了更好、更快速的替代方案。比较分析表明，与地面实况相比，最终输出显示出优于 90% 的分类准确度。它的工业应用将随着效率水平的提高而节省时间、金钱和劳动力。提取与煤显微图像微观结构相关的特征并将其用于基于随机森林的分类。开发的方法为手动岩相分析提供了更好、更快速的替代方案。比较分析表明，与地面实况相比，最终输出显示出优于 90% 的分类准确度。它的工业应用将随着效率水平的提高而节省时间、金钱和劳动力。提取与煤显微图像微观结构相关的特征并将其用于基于随机森林的分类。开发的方法为手动岩相分析提供了更好、更快速的替代方案。比较分析表明，与地面实况相比，最终输出显示出优于 90% 的分类准确度。它的工业应用将随着效率水平的提高而节省时间、金钱和劳动力。